vLLM框架：使用大模型推理框架

CITY_OF_MO_GY

已于 2025-03-22 17:50:20 修改

阅读量2.3k

点赞数 30

文章标签：人工智能

于 2025-02-07 21:01:00 首次发布

本文链接：https://blog.csdn.net/CITY_OF_MO_GY/article/details/145502253

版权

vLLM 专为高效部署大规模语言模型设计，尤其适合高并发推理场景，关于对vLLM的介绍请看这篇博文。以下从 安装配置、基础推理、高级功能、服务化部署 到 多模态扩展 逐步讲解。

中文官方文档

1. 环境安装与配置

1.1 硬件要求

GPU: 支持 CUDA 11.8 及以上（推荐 NVIDIA A100/H100，RTX 4090 等消费级卡需注意显存限制）
显存: 至少 20GB（运行 7B 模型），推荐 40GB+（运行 13B/70B 模型）

1.2 安装步骤

# 创建虚拟环境（可选）
conda create -n vllm python=3.9 -y
conda activate vllm

# 安装 vLLM（自动安装 PyTorch 和 CUDA 依赖）
pip install vllm

# 验证安装
python -c "from vllm import LLM; print('vLLM installed successfully!')"

1.3 常见安装问题

CUDA 版本不匹配：手动安装对应版本的 PyTorch：

pip install torch==2.2.1 torchvision==0.17.1 torchaudio==2.2.1 --index-url https://download.pytorch.org/whl/cu118

2. 基础推理：快速运行模型

2.1 单次推理示例

from vllm import LLM, SamplingParams

# 初始化模型（自动从 HuggingFace 下载）
llm = LLM(model="meta-llama/Llama-3-8b-Instruct")

# 配置生成参数
sampling_params = SamplingParams(
    temperature=0.8,
    top_p=0.95,
    max_tokens=256,
    stop=["\n###"]  # 停止符
)

# 单输入推理
prompts = ["请用50字解释量子纠缠现象："]
outputs = llm.generate(prompts, sampling_params)

# 输出结果
print(outputs[0].outputs[0].text)

2.2 批量推理与动态批处理

# 多提示词动态批处理
prompts = [
    "描述一张夕阳下的沙漠图片：",
    "将以下文本翻译成英文：量子计算机利用量子比特实现并行计算。",
    "生成三行关于人工智能的诗句："
]

# 批量生成（自动优化显存分配）
outputs = llm.generate(prompts, sampling_params)

for i, output in enumerate(outputs):
    print(f"Prompt {i+1}: {output.prompt}")
    print(f"Result: {output.outputs[0].text}\n")

3. 高级配置与优化

3.1 显存管理参数

llm = LLM(
    model="Qwen/Qwen1.5-72B-Chat",
    tensor_parallel_size=4,       # 多GPU张量并行（需4块GPU）
    block_size=32,                # KVCache块大小（默认16）
    swap_space=20,                # CPU交换空间（GB）
    gpu_memory_utilization=0.9,   # 显存利用率阈值
)

3.2 性能优化技巧

连续批处理（Continuous Batching）：自动合并多个请求，提升吞吐量。
量化支持：使用 AWQ/GPTQ 量化模型减少显存占用：

llm = LLM(model="TheBloke/Llama-2-7B-Chat-AWQ", quantization="awq")

3.3 自定义模型支持

注册新模型架构：

from vllm.model_executor.models import ModelRegistry

class MyVisionLanguageModel(llm.model):
    # 实现前向传播逻辑...

ModelRegistry.register_model("my_vl_model", MyVisionLanguageModel)

加载自定义模型：

llm = LLM(model="/path/to/custom_model", model_loader="my_vl_model")

4. 服务化部署：构建高性能API

4.1 启动内置API服务器

# 单GPU启动
python -m vllm.entrypoints.api_server \
    --model meta-llama/Llama-3-8b-Instruct \
    --port 8000 \
    --max-num-seqs 256 \
    --tensor-parallel-size 1

# 多GPU启动（4卡）
python -m vllm.entrypoints.api_server \
    --model Qwen/Qwen1.5-72B-Chat \
    --tensor-parallel-size 4 \
    --gpu-memory-utilization 0.95

4.2 OpenAI兼容API调用

import openai

client = openai.OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="token-abc123"
)

# 文本生成
response = client.completions.create(
    model="Llama-3-8b-Instruct",
    prompt="画一只机械猫的详细描述：",
    temperature=0.7,
    max_tokens=500
)
print(response.choices[0].text)

# 流式输出（适合长文本）
stream = client.completions.create(
    model="Llama-3-8b-Instruct",
    prompt="实时解说足球比赛：",
    stream=True
)
for chunk in stream:
    print(chunk.choices[0].text, end="", flush=True)

5. 计算机视觉集成：多模态扩展

5.1 视觉-语言模型示例（LLaVA）

from PIL import Image
import requests
from vllm import LLM

# 加载多模态模型（假设已支持）
vl_llm = LLM(model="liuhaotian/llava-v1.6-34b")

# 处理图像-文本输入
image_url = "https://example.com/dog.jpg"
image = Image.open(requests.get(image_url, stream=True).raw)

# 多模态推理
prompt = f"<image>{image}</image>\n描述这张图片中的场景："
outputs = vl_llm.generate(prompt)

print(outputs[0].outputs[0].text)

5.2 视频流处理管道

import cv2
from transformers import AutoImageProcessor

# 初始化视觉模型
image_processor = AutoImageProcessor.from_pretrained("google/vit-base-patch16-224")

# 视频逐帧处理
cap = cv2.VideoCapture("input.mp4")
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    
    # 提取视觉特征
    inputs = image_processor(frame, return_tensors="pt").to("cuda")
    
    # 构建多模态提示
    prompt = f"基于当前画面：{inputs.pixel_values}，生成解说词："
    
    # 调用vLLM生成文本
    description = vl_llm.generate(prompt)
    
    # 合成输出（伪代码）
    add_subtitle(frame, description.text)
    write_video_frame(frame)

6. 监控与调试

6.1 显存使用分析

# 获取显存统计信息
stats = llm.llm_engine.stat_logger.stats
print(f"显存利用率：{stats.gpu_memory_utilization:.2%}")
print(f"物理块数量：{stats.num_blocks_physical}")

6.2 性能分析工具

vLLM 日志：启动时添加 --log-level debug
Nsight Systems：分析 GPU 利用率

nsys profile --stats=true python my_vllm_script.py

7. 典型应用场景

场景	配置建议	视觉关联
实时视频描述生成	启用连续批处理，块大小=32	与 ViT 模型结合
大规模图像标注服务	多 GPU 张量并行 + AWQ 量化	CLIP 特征与 LLM 交互
交互式视觉问答系统	低 temperature（0.3），启用流式输出	动态加载图像块到 KVCache
长文档视觉摘要	大 swap_space（40GB），LRU 块淘汰策略	图文交叉注意力机制优化

8. 总结

通过以下步骤高效使用 vLLM：

环境配置：确保 CUDA 版本匹配，合理选择量化方案
推理优化：利用连续批处理、动态块分配提升吞吐
服务部署：通过 OpenAPI 兼容接口快速构建服务
多模态扩展：集成视觉模型实现图文联合推理

附：常用参数速查表

参数	说明	推荐值
`--tensor-parallel-size`	GPU 并行数量	与 GPU 数一致
`--block-size`	KVCache 块大小	16（长文本可设32）
`--gpu-memory-utilization`	显存利用率阈值	0.9
`--max-num-seqs`	最大并发序列数	根据显存调整